Analisis Prediktif – Meningkatkan Nilai IoT

Analitik prediktif adalah inti untuk mendapatkan hasil maksimal dari Internet of Things, baik itu mengurangi waktu henti mesin, meningkatkan efisiensi, atau mengurangi konsumsi energi.

 

Empat rute cepat menuju jaminan pengembalian investasi Internet of Things (IoT) Anda dibahas dalam seri ini. Kami mulai dengan berbicara tentang Bagaimana memulai dengan IoT, dan kemudian kami berbicara tentang dua jalur cepat pertama menuju nilai: Operasi Jarak Jauh juga sebagai Connected Operations Predictive Analytics, jalur cepat ketiga, adalah subjek dari angsuran ini.

 

Terlalu Banyak Data, Terlalu Banyak Waktu Henti

Menghubungkan perangkat dan menambahkan beberapa sensor atau pengukur akan dengan cepat menghasilkan lebih banyak informasi daripada yang dapat ditangani oleh staf Anda, jadi analitik prediktif sangat penting untuk memaksimalkan pengembalian IoT.

 

Bahkan dengan peringatan dan jenis pesan lainnya, ketika data IoT mulai tiba di tim Anda lebih cepat daripada yang dapat Anda proses, itu bisa sangat melelahkan. Vernon Turner, wakil presiden senior dan rekan peneliti di IDC, mengklaim bahwa kurang dari satu persen data dihasilkan hari ini sedang dianalisis sebagai hasilnya. Untuk membuat keputusan yang cerdas, Anda memerlukan analitik prediktif untuk menyortir dan memahami data yang masuk.

 

Analisis Prediktif dalam Tindakan

Masalah manufaktur adalah sebagai berikut: Utilisasi kapasitas pabrik jauh lebih tinggi daripada sebelumnya. Produsen sering tidak punya waktu untuk pemeliharaan terjadwal atau pemeliharaan darurat karena mereka beroperasi pada throughput maksimum 24 jam sehari, tujuh hari seminggu.

 

Dengan waktu pribadi yang membebani pabrik hingga $20.000 setiap saat, seorang produsen tidak dapat menanggung biaya gangguan pada siklusnya. Ketika mempertimbangkan dampaknya terhadap keseluruhan sistem, satu insiden semacam ini sebenarnya dapat merugikan pabrik hingga $2 juta.

 

Hal yang sama berlaku untuk jaringan transportasi, smart grid, smart city, dan sistem mission-critical lainnya yang harus beroperasi terus menerus. Dengan memanfaatkan data yang sudah Anda miliki, Anda dapat menghindari biaya dan gangguan waktu henti yang tidak direncanakan dalam banyak kasus. Hal ini dimungkinkan oleh analitik prediktif.

 

Contoh 1: “Waktu Henti Mendekati Nol”

Lihatlah FANUC, pembuat peralatan untuk otomasi industri di Jepang. Perusahaan ini berjuang selama bertahun-tahun untuk memahami bagaimana membantu pelanggan dalam mengoptimalkan peralatan pabrik.

 

FANUC kemudian mengembangkan solusi “waktu henti hampir nol”, yang menggunakan analitik prediktif untuk menganalisis data operasional yang dihasilkan oleh robot manufakturnya, bekerja sama dengan Cisco dan Rockwell Automation. FANUC menyimpan dan menganalisis data ini di cloud untuk mengantisipasi dan mengatasi potensi masalah sebelum mereka dapat memiliki dampak negatif pada produksi. Pelanggan dengan bebas membagikan data ini.

 

Dalam dua tahun terakhir, General Motors telah menghubungkan sekitar seperempat dari 30.000 robot pabriknya ke solusi Internet of Things ini, mencegah 100 potensi kegagalan. Produsen mobil terbesar di Amerika Serikat ini dapat memesan suku cadang sesuai kebutuhan daripada menyimpannya di pabrik karena mengetahui kapan suatu komponen akan rusak. Ini mengurangi waktu henti dan menghemat uang untuk persediaan.

 

Contoh 2: Efisiensi Pengiriman

Analitik prediktif dapat menambah nilai dengan membuat operasi lebih efisien bahkan saat waktu henti tidak menjadi masalah. Maersk Line menggunakan pemantauan dan analitik jarak jauh untuk mendapatkan hasil maksimal dari 600 kapalnya yang membawa lebih dari 15% PDB dunia dengan memangkas biaya dan meningkatkan efisiensi.

 

Maersk memulai dengan memasang sensor ke wadah berpendinginnya sehingga mereka dapat melacak suhu, oksigen, dan tingkat CO2 di seluruh perjalanan. Proses pengiriman dan check-out dipercepat dan dibuat lebih efektif sebagai hasil dokumentasi dari integritas konten. Kerangka ini juga melacak di mana setiap kompartemen berada, dan apakah itu penuh atau kosong.

 

Pengambil keputusan dapat secara efisien merutekan kontainer kosong ke depot yang membutuhkan dengan menggabungkan informasi ini dengan data tentang pengiriman yang tertunda untuk memprediksi di mana dan kapan mereka akan membutuhkannya.

 

Perusahaan telah menghemat $100 juta dengan menggunakan strategi yang lebih efektif ini untuk rantai pasokannya, dan masih banyak peluang yang akan datang. rute dan rute perjalanan yang efektif.

 

Contoh 3: Menghemat Energi

Jaringan inventaris yang mahir menyiratkan berurusan dengan setiap bagian dari biaya penciptaan — dan energi adalah bagian utama dari itu. Baru-baru ini, tim rantai pasokan di Cisco mencoba sebuah program di pabrik kontrak di Malaysia untuk melihat berapa banyak energi biaya.

 

Mereka menggunakan perangkat lunak analisis energi untuk mengumpulkan data tentang konsumsi energi dan menyiapkan jaringan 1.500 sensor di seluruh pabrik. Mereka dapat memperoleh wawasan yang luar biasa tentang efisiensi energi dari mesin, sistem, dan prosedur produksi tertentu berkat informasi ini.

 

Ketika mereka melihat ruang bakar, misalnya, mereka menemukan bahwa bahkan untuk model serupa, jumlah energi yang digunakan dapat bervariasi secara signifikan. Jadi mereka menggali lebih dalam: Mereka meningkatkan efisiensi dan konsumsi energi ruang dan mengganti peralatan yang tidak berfungsi.

 

Hasilnya: Di seluruh pabrik, konsumsi energi berkurang 15 hingga 20%, menghasilkan penghematan tahunan sebesar $1 juta.

 

Itu bukan sihir

Banyak algoritme dan solusi untuk analitik prediktif menargetkan aplikasi, lingkungan, atau industri tertentu. Masing-masing opsi ini memeriksa data saat tiba; membandingkannya dengan bukti sebelumnya; dampak berbagai variabel, seperti lingkungan, cuaca, material, atau operasi, satu sama lain; dan membuat prediksi tren yang akurat secara statistik.

 

Ini bukan tipuan; Ilmu statistik dan probabilitas murni yang telah diuji dan dibuktikan. Prediksi Anda akan lebih akurat semakin lama sejarah dan semakin banyak data yang Anda miliki. Sistem prediksi dapat memberi tahu Anda apa yang mungkin terjadi dan kapan, juga sebagai daftar prioritas tindakan yang harus diambil, jika Anda memiliki perangkat lunak berbasis aturan yang tepat di pihak Anda.

 

Perusahaan Anda akan dapat mulai melingkupi dan menerapkan kemampuan analitik yang lebih canggih segera setelah Anda menerapkan analitik prediktif di lingkungan produksi Anda.